CN115019160A - 一种工厂仓库入库物流智能控制方法 - Google Patents
一种工厂仓库入库物流智能控制方法 Download PDFInfo
- Publication number
- CN115019160A CN115019160A CN202210949322.5A CN202210949322A CN115019160A CN 115019160 A CN115019160 A CN 115019160A CN 202210949322 A CN202210949322 A CN 202210949322A CN 115019160 A CN115019160 A CN 115019160A
- Authority
- CN
- China
- Prior art keywords
- image
- acquiring
- edge
- quality
- goods
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/36—Indoor scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种工厂仓库入库物流智能控制方法，属于计算机视觉技术领域；包括以下步骤：获取灰度直方图；获取入库货物图像的综合亮度；获取入库货物图像的边缘清晰度；再根据入库货物图像的综合亮度和边缘清晰度获取入库货物图像的质量；获取图像质量范围；根据预设的初始曝光时间获取入库货物的第一张图像，并获取第一张图像的质量；通过第一张图像的质量是否在图像质量范围对初始曝光时间进行循环调整，直至获取图像质量在图像质量范围内的入库货物图像。本发明通过计算图像的质量，进而调整曝光时间，获取高质量图像，进而识别图像中的货物，实现对货物的智能扫描、跟踪和分检入库。
Description
技术领域
本发明涉及计算机视觉技术领域，具体涉及一种工厂仓库入库物流智能控制方法。
背景技术
仓库几乎是每个工厂都有的设施，专门用来存放原材料或是生产出的商品，仓库能够保证原材料或商品的完整性，也能够对商品或原材料进行管理。无论运营规模多大，物流都要从接收入库商品开始。随着需求的提高，保持效率和处理量也变得比以往任何时候都更加重要。使用高性能且可靠的读码器和机器视觉解决方案后，企业可以更快地接收入库产品，同时更有效地跟踪产品。公司使用这些入库解决方案的性能反馈和分析***后，可以更有效地保证供应商的合规性，从而保持供应链的流动性并降低成本。
智能扫描、跟踪和分检入库产品和包裹，都需要采集到高质量的图像来实现。但仓库内货物通过运输设备入库时，光照条件复杂多变，采集的图像画质差。传统的相机曝光时间控制不是实时动态调整的，不能满足光照多变环境下采集最佳画质图像。
发明内容
本发明提供一种工厂仓库入库物流智能控制方法，该方法通过对拍摄的图像进行处理，根据图像直方图和图像边缘的特征分析，计算图像的质量，进而调整曝光时间，获取高质量图像，进而识别图像中的货物，实现对货物的智能扫描、跟踪和分检入库。
本发明的目的是提供一种工厂仓库入库物流智能控制方法，包括以下步骤：
获取入库货物图像，将货物图像灰度化处理获得灰度图，并获取灰度直方图；
将灰度直方图横轴坐标划分为多个区间，获取每个区间内像素点的数量；
预设图像曝光正常的第一灰度均值，根据第一灰度均值和每个区间内像素点的数量获取入库货物图像的综合亮度；其中，根据所述第一灰度均值获取灰度均值范围；
通过对灰度图进行边缘检测获取灰度图中的边缘区域，通过对获取的边缘区域进行凸包检测获得多个凸包；再将每个凸包区域及非凸包区域进行二值化处理获取二值图像；通过二值图像与灰度图获取凸包图像；根据凸包图像获取入库货物图像中边缘区域对比度；
根据凸包图像获取每个凸包的面积及凸包内边缘线段长度，根据每个凸包的面积及凸包内边缘线段长度获取入库货物图像的边缘连续性；
通过对边缘区域进行开运算和闭运算获取开运算和闭运算后边缘区域像素点的数量差；
根据入库货物图像中边缘区域对比度、入库货物图像的边缘连续性及开运算和闭运算后边缘区域像素点的数量差获取入库货物图像的边缘清晰度；
再根据入库货物图像的综合亮度和边缘清晰度获取入库货物图像的质量；
获取多个灰度均值在第一均值范围内的曝光正常图像，通过计算多个曝光正常图像的质量获取图像质量范围；
根据预设的初始曝光时间获取入库货物的第一张图像，并获取第一张图像的质量；
通过第一张图像的质量是否在图像质量范围对初始曝光时间进行循环调整，直至获取图像质量在图像质量范围内的入库货物图像。
在一实施例中，获取入库货物图像的综合亮度过程中是根据每个区间内像素点的数量获取获取所有区间像素点数量集合的均值，根据每个区间内像素点的数量及所有区间像素点数量集合的均值获取区间像素点数量集合的标准差；再根据第一灰度均值和区间像素点数量集合的标准差获取入库货物图像的综合亮度。
在一实施例中，所述二值图像是对获取边缘区域进行二值化处理，将凸包区域像素值为1，非凸包区域像素值为0而获取的。
在一实施例中，所述入库货物图像中边缘区域对比度是将通过获取每个凸包内边缘区域的第二灰度均值和非边缘区域的第三灰度均值；再根据每个凸包对应的第二灰度均值和第三灰度均值而获取的。
在一实施例中，所述入库货物图像的边缘连续性是根据凸包图像中每个凸包的面积及凸包内边缘线段长度获取每个凸包的边缘连续性；再根据每个凸包的边缘连续性及凸包的数量而获取的。
在一实施例中，所述边缘检测采用Canny边缘检测算法。
在一实施例中，所述开运算和闭运算后边缘区域像素点的数量差是通过对边缘区域进行开运算和闭运算获取开运算后的第一边缘区域和闭运算后的第二边缘区域；再根据第一边缘区域和第二边缘区域中的像素点数量而获取的。
在一实施例中，所述图像质量范围是分别计算多个曝光正常图像的质量，并获取多个曝光正常图像的质量的均值；再根据多个曝光正常图像的质量的均值而获取的。
在一实施例中，所述初始曝光时间是根据获取入库货物图像的采集单元分辨率及入库货物的运输速度而预设的。
在一实施例中，所述初始曝光时间是按照以下步骤进行循环调整：
S1、根据预设的初始曝光时间获取入库货物的第一张图像，并获取第一张图像的质量；
S2、若第一张图像的质量未在图像质量范围内，则对初始曝光时间进行调整，返回S1，通过调整后的初始曝光时间再进行获取图像，并获取该图像的质量；
直至获取图像质量在图像质量范围内的曝光时间，将该曝光时间获取的图像即为最佳入库货物图像；
若第一张图像的质量在图像质量范围内，将获取的第一张图像即为最佳入库货物图像。
本发明的有益效果是：
本发明提供的一种工厂仓库入库物流智能控制方法，利用计算机视觉技术，通过对拍摄的图像进行处理，根据图像直方图和图像边缘的特征分析，计算图像的质量，进而调整曝光时间，获取高质量图像，进而识别图像中的货物，实现对货物的智能扫描、跟踪和分检入库。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种工厂仓库入库物流智能控制方法的实施例总体步骤的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明针对仓库内货物通过运输设备入库时，周围环境光照条件复杂多变，影响采集图像的质量。利用计算机视觉技术，通过对拍摄的图像进行处理，根据图像直方图和图像边缘的特征分析，计算图像的质量，进而调整曝光时间，获取高质量图像，进而识别图像中的货物，实现对货物的智能扫描、跟踪和分检入库。
由于仓库内环境复杂，货物在运输设备上移动时，光照条件多变。而曝光时间决定了图像的曝光质量，为保证拍摄的图像具有较好的视觉效果，当在光照条件较暗时，一般需要较长的曝光时间；而在光照条件较亮时，则需要较短的曝光时间。因此需要动态的调整相机曝光时间，不同的曝光时间拍摄的图像质量不同。
另外，在拍摄图像的视觉效果与图像的整体亮度有关，整体亮度过小时图像欠曝，过大时图像过曝。对图像中货物的扫描、跟踪和识别，则需要拍摄图像有清晰的边缘和细节。因此在对图像直方图和图像边缘进行分析，判断图像亮度的分布与图像中边缘和细节的特征，进而获得拍摄图像的质量。
参见图1所示，在本申请的实施例中，本申请的工厂仓库入库物流智能控制方法，包括以下步骤：
S1、获取入库货物图像，将货物图像灰度化处理获得灰度图，并获取灰度直方图；
具体通过相机拍摄运输中入库货物的图像，首先需要对图像进行灰度化操作，获得拍摄图像的灰度图，进而获得统计的灰度直方图。
S2、将灰度直方图横轴坐标划分为多个区间，获取每个区间内像素点的数量；
预设图像曝光正常的第一灰度均值，根据第一灰度均值和每个区间内像素点的数量获取入库货物图像的综合亮度；其中，根据所述第一灰度均值获取灰度均值范围；
需要说明的是，根据灰度直方图均衡化原理可知像素点在0～255灰阶上的分布数量越均衡，图像越清晰。因此可以通过计算各灰阶上像素点的数量的数据集合的标准差，来判断均衡性。
获取入库货物图像的综合亮度过程中是根据每个区间内像素点的数量获取所有区间像素点数量集合的均值，根据每个区间内像素点的数量及所有区间像素点数量集合的均值获取区间像素点数量集合的标准差；
再根据第一灰度均值和区间像素点数量集合的标准差获取入库货物图像的综合亮度。
在本实施例中，将入库货物图像的灰度直方图横轴坐标划分成32个区间，以减少后续数据的计算量和误差；
然后计算各区间内像素点的数量，获得集合
。再计算集合
的均值为B。然后获得集合
的标准差W为：
式中，W为区间像素点数量集合的标准差；
为第
个区间中像素点数量；
为区间像素点数量集合的均值，也就是
的均值；其中，W的值越小，即集合
中的数据波动越小，像素点在0～255灰阶上的数量分布越均衡，图像越清晰。
因此入库货物图像的综合亮度P为：
式中，P为入库货物图像的综合亮度；A为第一灰度均值，其中，根据第一灰度均值获取灰度均值范围为
；将灰度均值在区间
内的图像均视为曝光正常的图像，此时A值越大，图像亮度越大，W值越小，各灰阶上像素点的分布越衡，图像越清晰。故综合亮度P越大，入库货物图像质量越好。
在本实施例中，第一灰度均值A是根据图像直方图的偏度，选取大量曝光正常的图像，所计算出的灰度均值。
S3、通过对灰度图进行边缘检测获取灰度图中的边缘区域，通过对获取的边缘区域进行凸包检测获得多个凸包；再将每个凸包区域及非凸包区域进行二值化处理获取二值图像；通过二值图像与灰度图获取凸包图像；根据凸包图像获取入库货物图像中边缘区域对比度；
其中，所述二值图像是对获取边缘区域进行二值化处理，将凸包区域像素值为1，非凸包区域像素值为0而获取的。所述入库货物图像中边缘区域对比度是将通过获取每个凸包内边缘区域的第二灰度均值和非边缘区域的第三灰度均值；再根据每个凸包对应的第二灰度均值和第三灰度均值而获取的。
在本实施例中，首先使用Canny边缘检测，获取入库货物图像中的边缘区域D，然后对边缘图像做凸包检测，获得L个凸包；对边缘图像做二值化操作，获得凸包区域像素值为1，非凸包区域像素值为0的二值图像；再使用灰度图与二值图像中的像素点灰度值做相乘操作，获取凸包图像。计算第x个凸包内边缘区域和非边缘区域的第二灰度均值
和第三灰度均值
；计算L各凸包中两者差的绝对值，再求入库货物图像中边缘区域对比度E为：
式中，
表示第
个凸包内边缘区域的第二灰度均值；
表示第
个凸包内非边缘区域的第三灰度均值；L表示凸包的数量；E表示入库货物图像中边缘区域对比度，也就是入库货物图像中边缘与其周围部分亮度的对比度；其中，E的值越大，图像中边缘和细节越突出。
S4、根据凸包图像获取每个凸包的面积及凸包内边缘线段长度，根据每个凸包的面积及凸包内边缘线段长度获取入库货物图像的边缘连续性；所述入库货物图像的边缘连续性是根据凸包图像中每个凸包的面积及凸包内边缘线段长度获取每个凸包的边缘连续性；再根据每个凸包的边缘连续性及凸包的数量而获取的。
需要说明的是，边缘的连续性是图像边缘的一个重要的自然属性，边缘连续性决定图像的提取是否完整，零碎与断裂的边缘不能很好地刻画图像的边缘轮廓。在图像目标识别应用中，图像边缘的连续性对其应用效果具有决定性作用。因此需要计算边缘区域D中的边缘连续性。已知凸包是边缘段最外层的点连接起来构成的凸多边形，计算每个凸包的面积和凸包内边缘段的长度。当边缘段的长度相近时，凸包面积越大，说明边缘段的延展性好、断裂程度低。当凸包面积相近时，边缘段越长，说明边缘段的分支越多、分支延续性越好。
在本实施例中，可以用凸包面积与凸包内边缘线段长度的乘积，来表示边缘的连续性，计算每个凸包的面积和对应的边缘长度，获得凸包的面积集合
与凸包内边缘段长度集合
。第i个凸包的边缘连续性
为：
式中，
表示第i个凸包的边缘连续性，
表示第i个凸包的面积；
表示第i个凸包内边缘段长度；
对于整幅图像连续性G由图像边缘中每条边缘段的连续性相加之和除以边缘段数量，即每个凸包内边缘的连续性相加之和除以凸包的数量，计算公式为：
式中，G表示入库货物图像的边缘连续性；L为凸包数量，
表示第i个凸包的边缘连续性，其中，G的值越大，图像边缘连续性越好，图像边缘越清晰。
S5、通过对边缘区域进行开运算和闭运算获取开运算和闭运算后边缘区域像素点的数量差；
所述开运算和闭运算后边缘区域像素点的数量差是通过对边缘区域进行开运算和闭运算获取开运算后的第一边缘区域和闭运算后的第二边缘区域；再根据第一边缘区域和第二边缘区域中的像素点数量而获取的。
需要说明的是，开运算的作用是将连接在一起的物体分开，这个连接本身是比较细微的。闭运算的作用是填平小湖（即小孔），弥合小裂缝。两种形态学运算后图像总的位置和形状不变。
在本实施例中，计算边缘区域闭运算后与开运算后边缘区域像素点的数量差S为：
式中，
表示边缘区域闭运算后与开运算后边缘区域像素点的数量差；
表示边缘区域开运算后获得的第一边缘区域内的像素点数量；
表示边缘区域闭运算后获得的第二边缘区域内的像素点数量；故S的值越小，说明图像边缘断裂程度越小，图像边缘越清晰。
S6、根据入库货物图像中边缘区域对比度、入库货物图像的边缘连续性及开运算和闭运算后边缘区域像素点的数量差获取入库货物图像的边缘清晰度；
入库货物图像的边缘清晰度计算公式如下：
式中，E表示入库货物图像中边缘区域对比度；G表示入库货物图像的边缘连续性；S表示边缘区域闭运算后与开运算后边缘区域像素点的数量差；Q表示入库货物图像的边缘清晰度。
故Q值越大，拍摄图像的边缘越清晰，图像质量越好。
S7、根据入库货物图像的综合亮度和边缘清晰度获取入库货物图像的质量；
需要说明的是，仓库内货物在运输设备上移动时，光照条件复杂多变，故采集图像需要较好的综合亮度。对图像中的货物进行扫描、跟踪以及识别时，需要图像具有清晰的边缘和细节信息。
在本实施例中，入库货物图像的质量R为：
式中，R表示入库货物图像的质量；P表示入库货物图像的综合亮度；Q表示入库货物图像的边缘清晰度；
和
为对应权重，实施者根据需求自行设置；当图像的灰度均值A在区间
内时，图像曝光正常，R的值越大，图像质量越好，根据经验取
为[90,100]。
S8、获取多个灰度均值在第一均值范围内的曝光正常图像，通过计算多个曝光正常图像的质量获取图像质量范围；图像质量范围是根据计算多个曝光正常图像的质量R，获取多个曝光正常图像的质量的均值G；再根据多个曝光正常图像的质量的均值T而获取图像质量范围
]，其中，t为一个超参数g，可由实施者根据具体实施场景进行调整。
根据预设的初始曝光时间获取入库货物的第一张图像，根据上述步骤获取第一张图像的质量；
通过第一张图像的质量是否在图像质量范围对初始曝光时间进行循环调整，直至获取图像质量在图像质量范围内的入库货物图像。
其中，初始曝光时间是根据获取入库货物图像的采集单元分辨率及入库货物的运输速度而预设的。
在本实施例中，已知入库货物图像的采集单元（相机）的分辨率为e，运输设备的运输速度为v。光学***的分辨率是指“物”在经过光学***后的“像”在细节上能被分辨的最小距离。一般会用光学***所能分辨的两个像点的最小距离来表示，大于这个距离的两个像点就能被识别为两个点，而小于这个距离的两个点经过光***后就会被识别为一个点。
设定初始曝光时间为m，曝光时间的衰减系数为n。为了消除货物的运动模糊,则初始曝光时间m的取值为：
式中，m表示初始曝光时间；e表示入库货物图像的采集单元（相机）的分辨率；v表示货物入库时运输设备的运输速度。
所述初始曝光时间是按照以下步骤进行循环调整：
（S1）、根据预设的初始曝光时间获取入库货物的第一张图像，并获取第一张图像的质量；
（S2）、若第一张图像的质量未在图像质量范围内，则对初始曝光时间进行调整，返回（S1），通过调整后的初始曝光时间再进行获取图像，并获取该图像的质量；
直至获取图像质量在图像质量范围内的曝光时间，将该曝光时间获取的图像即为最佳入库货物图像；
若第一张图像的质量在图像质量范围内，将获取的第一张图像即为最佳入库货物图像。
在本实施例中，曝光时间的自适应控制步骤如下：
（1）首先以曝光时间为初始值m时拍摄第一张图像，计算第一张图像的质量R；
（2）判断图像质R与区间
]的关系；
（3）若
时，更新初始曝光时间为m=m+n，当更新的
时，令其为新的初始曝光时间，否则调整初始曝光时间小于
，返回步骤（1），通过调整后的初始曝光时间再进行获取图像，进行后续的操作；
若
时，跟新初始曝光时间为m=m-n，返回步骤（1），通过调整后的初始曝光时间再进行获取图像，进行后续的操作；
循环进行上述步骤的操作，直至获取图像质量在图像质量范围内的曝光时间，将该曝光时间获取的图像即为最佳入货物图像；
若
时，将获取的第一张图像即为最佳入库货物图像。
至此实现了相机曝光时间的实时动态控制，采集到最佳入库货物图像，通过最佳入库货物图像能够准确的扫描、跟踪和识别货物。
综上，本发明提供的一种工厂仓库入库物流智能控制方法，利用计算机视觉技术，通过对拍摄的图像进行处理，根据图像直方图和图像边缘的特征分析，计算图像的质量，进而调整曝光时间，获取高质量图像，进而识别图像中的货物，实现对货物的智能扫描、跟踪和分检入库。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种工厂仓库入库物流智能控制方法，其特征在于，包括以下步骤：
获取入库货物图像，将货物图像灰度化处理获得灰度图，并获取灰度直方图；
将灰度直方图横轴坐标划分为多个区间，获取每个区间内像素点的数量；
预设图像曝光正常的第一灰度均值，根据第一灰度均值和每个区间内像素点的数量获取入库货物图像的综合亮度；其中，根据所述第一灰度均值获取灰度均值范围；
通过对灰度图进行边缘检测获取灰度图中的边缘区域，通过对获取的边缘区域进行凸包检测获得多个凸包；再将每个凸包区域及非凸包区域进行二值化处理获取二值图像；通过二值图像与灰度图获取凸包图像；根据凸包图像获取入库货物图像中边缘区域对比度；
根据凸包图像获取每个凸包的面积及凸包内边缘线段长度，根据每个凸包的面积及凸包内边缘线段长度获取入库货物图像的边缘连续性；
通过对边缘区域进行开运算和闭运算获取开运算和闭运算后边缘区域像素点的数量差；
根据入库货物图像中边缘区域对比度、入库货物图像的边缘连续性及开运算和闭运算后边缘区域像素点的数量差获取入库货物图像的边缘清晰度；
再根据入库货物图像的综合亮度和边缘清晰度获取入库货物图像的质量；
获取多个灰度均值在第一均值范围内的曝光正常图像，通过计算多个曝光正常图像的质量获取图像质量范围；
根据预设的初始曝光时间获取入库货物的第一张图像，并获取第一张图像的质量；
通过第一张图像的质量是否在图像质量范围对初始曝光时间进行循环调整，直至获取图像质量在图像质量范围内的入库货物图像。
2.根据权利要求1所述的工厂仓库入库物流智能控制方法，其特征在于，获取入库货物图像的综合亮度过程中是根据每个区间内像素点的数量获取获取所有区间像素点数量集合的均值，根据每个区间内像素点的数量及所有区间像素点数量集合的均值获取区间像素点数量集合的标准差；再根据第一灰度均值和区间像素点数量集合的标准差获取入库货物图像的综合亮度。
3.根据权利要求1所述的工厂仓库入库物流智能控制方法，其特征在于，所述二值图像是对获取边缘区域进行二值化处理，将凸包区域像素值为1，非凸包区域像素值为0而获取的。
4.根据权利要求3所述的工厂仓库入库物流智能控制方法，其特征在于，所述入库货物图像中边缘区域对比度是将通过获取每个凸包内边缘区域的第二灰度均值和非边缘区域的第三灰度均值；再根据每个凸包对应的第二灰度均值和第三灰度均值而获取的。
5.根据权利要求4所述的工厂仓库入库物流智能控制方法，其特征在于，所述入库货物图像的边缘连续性是根据凸包图像中每个凸包的面积及凸包内边缘线段长度获取每个凸包的边缘连续性；再根据每个凸包的边缘连续性及凸包的数量而获取的。
6.根据权利要求1所述的工厂仓库入库物流智能控制方法，其特征在于，所述边缘检测采用Canny边缘检测算法。
7.根据权利要求1所述的工厂仓库入库物流智能控制方法，其特征在于，所述开运算和闭运算后边缘区域像素点的数量差是通过对边缘区域进行开运算和闭运算获取开运算后的第一边缘区域和闭运算后的第二边缘区域；再根据第一边缘区域和第二边缘区域中的像素点数量而获取的。
8.根据权利要求1所述的工厂仓库入库物流智能控制方法，其特征在于，所述图像质量范围是分别计算多个曝光正常图像的质量，并获取多个曝光正常图像的质量的均值；再根据多个曝光正常图像的质量的均值而获取的。
9.根据权利要求8所述的工厂仓库入库物流智能控制方法，其特征在于，所述初始曝光时间是根据获取入库货物图像的采集单元分辨率及入库货物的运输速度而预设的。
10.根据权利要求9所述的工厂仓库入库物流智能控制方法，其特征在于，所述初始曝光时间是按照以下步骤进行循环调整：
S1、根据预设的初始曝光时间获取入库货物的第一张图像，并获取第一张图像的质量；
S2、若第一张图像的质量未在图像质量范围内，则对初始曝光时间进行调整，返回S1，通过调整后的初始曝光时间再进行获取图像，并获取该图像的质量；
直至获取图像质量在图像质量范围内的曝光时间，将该曝光时间获取的图像即为最佳入库货物图像；
若第一张图像的质量在图像质量范围内，将获取的第一张图像即为最佳入库货物图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210949322.5A CN115019160B (zh) | 2022-08-09 | 2022-08-09 | 一种工厂仓库入库货物图像质量的控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210949322.5A CN115019160B (zh) | 2022-08-09 | 2022-08-09 | 一种工厂仓库入库货物图像质量的控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115019160A true CN115019160A (zh) | 2022-09-06 |
| CN115019160B CN115019160B (zh) | 2022-11-11 |
Family
ID=83065349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210949322.5A Active CN115019160B (zh) | 2022-08-09 | 2022-08-09 | 一种工厂仓库入库货物图像质量的控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115019160B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115633259A (zh) * | 2022-11-15 | 2023-01-20 | 深圳市泰迅数码有限公司 | 基于人工智能的智能摄像头自动调控方法及*** |
| CN117522281A (zh) * | 2024-01-05 | 2024-02-06 | 山东通广电子股份有限公司 | 一种基于视觉识别的工器具出入库管理方法及*** |
| CN117961223A (zh) * | 2024-01-10 | 2024-05-03 | 重庆交通大学 | 一种基于视觉反馈的大跨拱桥焊缝跟踪装置及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794502A (zh) * | 2015-05-15 | 2015-07-22 | 哈尔滨工业大学 | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 |
| CN106530237A (zh) * | 2016-09-19 | 2017-03-22 | 中山大学 | 一种图像增强方法 |
| CN107067012A (zh) * | 2017-04-25 | 2017-08-18 | 中国科学院深海科学与工程研究所 | 基于图像处理的海底地貌单元边缘智能识别方法 |
-
2022
- 2022-08-09 CN CN202210949322.5A patent/CN115019160B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794502A (zh) * | 2015-05-15 | 2015-07-22 | 哈尔滨工业大学 | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 |
| CN106530237A (zh) * | 2016-09-19 | 2017-03-22 | 中山大学 | 一种图像增强方法 |
| CN107067012A (zh) * | 2017-04-25 | 2017-08-18 | 中国科学院深海科学与工程研究所 | 基于图像处理的海底地貌单元边缘智能识别方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115633259A (zh) * | 2022-11-15 | 2023-01-20 | 深圳市泰迅数码有限公司 | 基于人工智能的智能摄像头自动调控方法及*** |
| CN117522281A (zh) * | 2024-01-05 | 2024-02-06 | 山东通广电子股份有限公司 | 一种基于视觉识别的工器具出入库管理方法及*** |
| CN117522281B (zh) * | 2024-01-05 | 2024-04-16 | 山东通广电子股份有限公司 | 一种基于视觉识别的工器具出入库管理方法及*** |
| CN117961223A (zh) * | 2024-01-10 | 2024-05-03 | 重庆交通大学 | 一种基于视觉反馈的大跨拱桥焊缝跟踪装置及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115019160B (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115019160B (zh) | 一种工厂仓库入库货物图像质量的控制方法 | |
| CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
| US7257267B2 (en) | Method and system for image segmentation | |
| CN104636118B (zh) | 基于光平衡的qr二维码自适应二值化处理方法和装置 | |
| CN115131354B (zh) | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 | |
| CN112446225B (zh) | 光学代码的模块尺寸的确定 | |
| CN108416814B (zh) | 一种菠萝头部的快速定位与识别方法及*** | |
| CN116542976B (zh) | 一种模切件缺陷的视觉检测*** | |
| CN107004266A (zh) | 检测轮胎表面上缺陷的方法 | |
| US6993187B2 (en) | Method and system for object recognition using fractal maps | |
| CN112329782A (zh) | 一种原料粒度确定方法、***、终端及介质 | |
| AU2017443986B2 (en) | Color adaptation using adversarial training networks | |
| CN118037722B (zh) | 一种铜管生产缺陷检测方法及*** | |
| CN111079575B (zh) | 一种基于包装图像特征的物料识别方法及*** | |
| CN109596620A (zh) | 基于机器视觉的产品表面形状缺陷检测方法和*** | |
| CN108830834A (zh) | 一种爬索机器人视频缺陷信息自动提取方法 | |
| CN112288372B (zh) | 一种可同时识别一维条码和三段码字符的快递单识别方法 | |
| Saad et al. | Shape defect detection using local standard deviation and rule-based classifier for bottle quality inspection | |
| CN116843689B (zh) | 一种菌盖表面破损检测方法 | |
| Lin et al. | Improved Binarization Using Morphology-driven Image Resizing and Decomposition | |
| CN118096761B (zh) | 一种基于图像处理的电池箱生产缺陷检测方法 | |
| CN115876786B (zh) | 楔形焊点的检测方法及运动控制装置 | |
| KR102430120B1 (ko) | 스테레오 기반의 roi 검출 알고리즘의 성능을 향상시키는 방법 및 장치 | |
| US20060165282A1 (en) | Image segmentation | |
| CN115070759A (zh) | 一种多模块智能终端控制*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240119 Address after: 226000 Renmin Road, Haifu Town, Qidong City, Nantong City, Jiangsu Province Patentee after: Qidong Peng Peng Glass Machinery Co.,Ltd. Address before: 226000 Haiyan Road, Qidong high tech Industrial Development Zone, Nantong City, Jiangsu Province Patentee before: CAMCE heavy industry Intelligent Equipment Co.,Ltd. |